CN110749665A - 基于神经网络的南沙参药材检测方法 - Google Patents

基于神经网络的南沙参药材检测方法 Download PDF

Info

Publication number
CN110749665A
CN110749665A CN201910834109.8A CN201910834109A CN110749665A CN 110749665 A CN110749665 A CN 110749665A CN 201910834109 A CN201910834109 A CN 201910834109A CN 110749665 A CN110749665 A CN 110749665A
Authority
CN
China
Prior art keywords
neural network
medicinal material
radix adenophorae
stem
adenophora tetraphylla
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910834109.8A
Other languages
English (en)
Other versions
CN110749665B (zh
Inventor
罗宇琴
梁慧
潘礼业
陈向东
孙冬梅
杨晓东
王碧君
魏梅
程学仁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Yifang Pharmaceutical Co Ltd
Original Assignee
Guangdong Yifang Pharmaceutical Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Yifang Pharmaceutical Co Ltd filed Critical Guangdong Yifang Pharmaceutical Co Ltd
Priority to CN201910834109.8A priority Critical patent/CN110749665B/zh
Publication of CN110749665A publication Critical patent/CN110749665A/zh
Application granted granted Critical
Publication of CN110749665B publication Critical patent/CN110749665B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
    • G01N2030/8809—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86 analysis specially adapted for the sample
    • G01N2030/8813—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86 analysis specially adapted for the sample biological materials

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及中药鉴定领域，提供一种基于神经网络的南沙参药材快速鉴别检测方法，用于检测区分不同基原的南沙参药材。本发明提供的一种基于神经网络的南沙参药材的检测方法，包括：S11.获取待测南沙参药材的表观性状，建立南沙参药材的UPLC指纹图谱；S12.提取表观性状的特征，将表观性状的特征进行标准化，并获取与沙参对照药材指纹图谱的相似度，各指标均作为神经网络的输入层；S13.获取神经网络的输出结果，得到南沙参药材的分类结果，所述分类结果为轮叶沙参或沙参。经过训练的神经网络可以有效的鉴别轮叶沙参或沙参，提高鉴别效率。

Description

基于神经网络的南沙参药材检测方法
技术领域
本发明涉及中药鉴定领域，具体涉及一种基于神经网络的南沙参药材的检测方法。
背景技术
南沙参为桔梗科植物轮叶沙参Adenophora tetraphylla (Thunb.) Fisch.或沙参Adenophora stricta Miq.的干燥根。春、秋二季采挖，除去须根，洗后趁鲜刮去粗皮，洗净，干燥。目前市场上流通的南沙参药材的伪品较多，包括杏叶沙参、华南沙参等，药材的外观性状差异较小，同时对南沙参不同基原的分类文献较少。
南沙参根据中国药典，来源只有两种：沙参和轮叶沙参。但单从药材表观性状来看，难以区分沙参或轮叶沙参，单从化学成分角度来看，由于同属植物化学成分的相似性，也较难进行判断。因此，如何快速客观的分辨南沙参及对南沙参进行分类是亟待解决的问题。
发明内容
本发明解决的技术问题为检测区分不同基原的南沙参，提供一种基于神经网络的南沙参药材的检测方法。
为了解决上述技术问题，本发明提供的技术方案为：
一种基于神经网络的南沙参药材的检测方法，包括：
S11.获取待测南沙参药材的表观性状，建立南沙参药材的UPLC指纹图谱；
S12.提取表观性状的特征，将表观性状的特征进行标准化，并获取与沙参对照药材指纹图谱的相似度，各指标均作为神经网络的输入层；
S13.获取神经网络的输出结果，得到南沙参药材的分类结果，所述分类结果为轮叶沙参或沙参。
神经网络可以根据输入的参数输出一个较为精确的分类结果，南沙参药材的基原不同，其外观的差异较小，必须通过多个外观的特征进行鉴别，因此通过神经网络的数据整合可以获取到较为精确的分类的结果。
经过训练的神经网络可以有效的鉴别轮叶沙参或沙参，提高鉴别效率。
优选地，所述神经网络为多层感知器神经网络；所述神经网络包括输入层、隐含层和输出层，所述输入层接收表观性状特征作为神经网络的输入之一；所述输出层包括南沙参基原的属性值；所述隐含层的激活函数为双曲正切函数；所述神经网络各层之间采用的传递函数为具有非线性特征的函数。优化神经网络可以有效的提高检测鉴别的效率。
优选地，所述S12步骤中，提取的表观性状的特征包括茎杆颜色、茎横纹数、茎杆最大直径、分枝情况、茎膨大情况、茎膨大距离节的长度、茎纵纹数的其中一种或几种。可以有效的分别轮叶沙参和沙参。
优选地，所述S12步骤中，提取的表观性状的特征包括茎杆颜色、茎横纹数、茎杆最大直径、分枝情况、茎膨大情况、茎膨大距离节的长度、茎纵纹数标准化值。对表观性状进行标准化处理，可以提高数据的客观性。
优选地，所述神经网络的输入还包括与沙参对照药材的相似度。结合相似度的数据，可以更进一步的提高精度。
优选地，所述与沙参对照药材的相似度通过指纹图谱的方式的获取；所述指纹图谱的色谱条件为：色谱柱：Waters HSS T3（2.1mm×100mm，1.8μm)；进样量：0.5~2μl；柱温：28~32℃；检测波长：220 nm；以乙腈为流动相A，0.05%磷酸溶液为流动相B，按梯度洗脱（0~5min，0%A，100%B；5~8min，0%→10%A，100→90%B；8~15min，10%→13%A，90→87%B；15~30，13%→60%A，87%→40%B）；流速：0.3~0.4ml/min。通过指纹图谱的方式获取相似度，可以获取精准的数据，提高检测的精度。
优选地，所述与沙参对照药材的相似度通过指纹图谱的方式的获取；所述指纹图谱的色谱条件为：色谱柱：Waters HSS T3（2.1mm×100mm，1.8μm)；进样量：1μl；柱温：30℃；检测波长：220 nm；以乙腈为流动相A，0.05%磷酸溶液为流动相B，按梯度洗脱（0~5min，0%A，100%B；5~8min，0%→10%A，100→90%B；8~15min，10%→13%A，90→87%B；15~30，13%→60%A，87%→40%B）；流速：0.35ml/min。
优选地，所述指纹图谱的构建过程中，进样的获取方式为：取沙参药材0~2g，加入30~100ml的30~60%的甲醇，超声提取10~60min，所述超声的功率为200~400W，所述超声的频率为30~60kHz，超声后用30~60%的甲醇补足失去的的重量，混合均匀，过滤，取一定量的滤液作为进样。对样品进行处理后得到进样品，可以提高相似度的精度。
优选地，所述指纹图谱的构建过程中，进样的获取方式为：取沙参药材1g，加入50ml的50%的甲醇，超声提取30min，所述超声的功率为300W，所述超声的频率为50kHz，超声后用50%甲醇补足失去的的重量，混合均匀，过滤，取一定量的滤液作为进样。
优选地，所述茎杆颜色包括黄白色、浅黄色、黄色、黄棕色；所述分枝情况为是否分枝；所述茎膨大情况为是否膨大。
与现有技术相比，本发明具有的有益效果为：经过训练的神经网络可以有效的鉴别轮叶沙参或沙参，提高鉴别效率；通过南沙参药材表观性状及指纹图谱结合，以多指标多导向，通过神经网络法构建南沙参的基原鉴别模型，准确率和效率都得到了很大的提升。
本申请的检测方法结合了药材的外观性状和指纹图谱，不仅可以鉴别沙参和轮叶沙参，也可以鉴别出药材是否为南沙参，鉴别真品与伪品；即对于一种类似南沙参的药材，通过本申请的方法，可以先鉴定其是否为南沙参，若鉴定为南沙参还可以鉴定其为沙参或轮叶沙参。
附图说明
图1为BP神经网络结构。
图2为基原预测模型图。
图3为ROC曲线。
图4为累积增益图。
图5为沙参的指纹图谱。
具体实施方式
以下实施列是对本发明的进一步说明，不是对本发明的限制。
实施例1
一种基于神经网络的南沙参药材的检测方法，包括：
S101.获取一定数量的南沙参的表观性状、与沙参对照药材的相似度、沙参的类别作为样品集；
S102.提取表观性状的特征，所述特征包括茎杆颜色、茎横纹数、茎杆最大直径、分枝情况、茎膨大情况、茎膨大距离节的长度、茎纵纹数，将表观性状的特征和与沙参对照药材的相似度输入神经网络，以训练神经网络获取到用于检测南沙参类别的神经网络；
S11.获取待测南沙参药材的表观性状，建立南沙参药材的UPLC指纹图谱；
S12.提取表观性状的特征，所述特征包括茎杆颜色（1=黄白色；2=浅黄色；3=黄色；4=黄棕色）、茎横纹数、茎杆最大直径、分枝情况（0=否；1=是）、茎膨大情况（0=否；1=是）、茎膨大距离节的长度、茎纵纹数，将表观性状的特征和与沙参对照药材的相似度作为神经网络的输入；
S13.获取神经网络的输出结果，得到南沙参的分类结果，所述分类结果为轮叶沙参或沙参。所述神经网络包括输入层、隐含层和输出层，所述输入层接收表观性状特征和与沙参对照药材的相似度作为神经网络的输入；所述输出层包括南沙参基原的属性值；所述隐含层的激活函数为双曲正切函数。所述与沙参对照药材的相似度通过指纹图谱的方式的获取；所述指纹图谱的色谱条件为：色谱柱：Waters HSS T3（2.1mm×100mm，1.8μm)；进样量：2μl；柱温：30℃；检测波长：220 nm；以乙腈为流动相A，0.05%磷酸溶液为流动相B，按梯度洗脱（0~5min，0%A，100%B；5~8min，0%→10%A，100→90%B；8~15min，10%→13%A，90→87%B；15~30，13%→60%A，87%→40%B）；流速：0.35ml/min。所述指纹图谱的构建过程中，参照品的获取方式为：取沙参药材1g，加入50%甲醇50ml，称重，超声提取30min，所述超声的功率为300W，所述超声的频率为50kHz，超声后用50%甲醇补足失去的的重量，混合均匀，过滤，取1μl的滤液作为进样。
神经网络可以根据输入的参数输出一个较为精确的分类结果，南沙参药材的基原不同，其外观的差异较小，必须通过多个外观的特征进行鉴别，因此通过神经网络的数据整合可以获取到较为精确的分类的结果。经过训练的神经网络可以有效的鉴别轮叶沙参或沙参，提高鉴别效率。优化神经网络可以有效的提高检测鉴别的效率。茎杆颜色和茎横纹数可以有效的分别轮叶沙参和沙参。增加输入参数，可以提高检测的精度。结合相似度的数据，可以更进一步的提高精度。通过指纹图谱的方式获取相似度，可以获取精准的数据，提高检测的精度。对样品进行处理后得到进样品，可以提高相似度的精度。
实施例2
一种基于神经网络的南沙参药材的检测方法，包括：
S101.获取一定数量的南沙参药材的表观性状、沙参的类别作为样品集；
S102.提取表观性状的特征，所述特征包括茎杆颜色、茎横纹数，将表观性状的特征输入神经网络，以训练神经网络获取到用于检测南沙参类别的神经网络；
S11.获取待测南沙参的表观性状，建立南沙参药材的UPLC指纹图谱；
S12.提取表观性状的特征，所述特征包括茎杆颜色、茎横纹数，将表观性状的特征进行标准化，获取与沙参对照药材指纹图谱的相似度，将表观性状的特征和相似度作为神经网络的输入；
S13.获取神经网络的输出结果，得到南沙参的分类结果，所述分类结果为轮叶沙参或沙参。所述神经网络包括输入层、隐含层和输出层，所述输入层接收表观性状特征和与沙参对照药材的相似度作为神经网络的输入；所述输出层包括南沙参基原的属性值；所述隐含层的激活函数为双曲正切函数。所述与沙参对照药材的相似度通过指纹图谱的方式的获取；所述指纹图谱的色谱条件为：色谱柱：Waters HSS T3（2.1mm×100mm，1.8μm)；进样量：2μl；柱温：30℃；检测波长：220 nm；以乙腈为流动相A，0.05%磷酸溶液为流动相B，按梯度洗脱（0~5min，0%A，100%B；5~8min，0%→10%A，100→90%B；8~15min，10%→13%A，90→87%B；15~30，13%→60%A，87%→40%B）；流速：0.35ml/min。所述指纹图谱的构建过程中，参照品的获取方式为：取沙参药材1g，加入50%甲醇50ml，称重，超声提取30min，所述超声的功率为300W，所述超声的频率为50kHz，超声后用50%甲醇补足失去的的重量，混合均匀，过滤，取1μl的滤液作为进样。
利用表观性状中的茎杆颜色、茎横纹数作为输入参数也可以在一定的程度上进行检测区分。
实施例3
一种基于神经网络的南沙参药材的检测方法，包括：
S101.获取一定数量的南沙参药材的表观性状、与沙参对照药材的相似度、沙参的类别作为样品集；
S102.提取表观性状的特征，所述特征包括茎杆颜色（1=黄白色；2=浅黄色；3=黄色；4=黄棕色）、茎横纹数、茎杆最大直径，将表观性状的特征输入神经网络，以训练神经网络获取到用于检测南沙参类别的神经网络；
S11.获取待测南沙参药材的表观性状，建立南沙参药材的UPLC指纹图谱；
S12.提取表观性状的特征，所述特征包括茎杆颜色（1=黄白色；2=浅黄色；3=黄色；4=黄棕色）、茎横纹数、茎杆最大直径，对表观性状的特征进行标准化，获取与沙参对照药材的相似度，将表观性状的特征和与沙参对照药材的相似度作为神经网络的输入；
S13.获取神经网络的输出结果，得到南沙参的分类结果，所述分类结果为轮叶沙参或沙参。所述神经网络包括输入层、隐含层和输出层，所述输入层接收表观性状特征和与沙参对照药材的相似度作为神经网络的输入；所述输出层包括南沙参基原的属性值；所述隐含层的激活函数为双曲正切函数。所述与沙参对照药材的相似度通过指纹图谱的方式的获取；所述指纹图谱的色谱条件为：色谱柱：Waters HSS T3（2.1mm×100mm，1.8μm)；进样量：2μl；柱温：30℃；检测波长：220 nm；以乙腈为流动相A，0.05%磷酸溶液为流动相B，按梯度洗脱（0~5min，0%A，100%B；5~8min，0%→10%A，100→90%B；8~15min，10%→13%A，90→87%B；15~30，13%→60%A，87%→40%B）；流速：0.35ml/min。所述指纹图谱的构建过程中，参照品的获取方式为：取沙参药材1g，加入50%甲醇50ml，称重，超声提取30min，所述超声的功率为300W，所述超声的频率为50kHz，超声后用50%甲醇补足失去的的重量，混合均匀，过滤，取1μl的滤液作为进样。
实施例4
一种基于神经网络的南沙参药材的检测方法，包括：
S101.获取一定数量的南沙参药材的表观性状、与沙参对照药材的相似度、沙参的类别作为样品集；
S102.提取表观性状的特征，所述特征包括茎杆颜色、茎横纹数、茎杆最大直径、分枝情况、茎膨大情况、茎膨大距离节的长度、茎纵纹数，将表观性状的特征和与沙参对照药材的相似度输入神经网络，以训练神经网络获取到用于检测南沙参类别的神经网络；
S11.获取待测南沙参的表观性状，建立南沙参药材的UPLC指纹图谱；
S12.提取表观性状的特征，所述特征包括茎杆颜色（1=黄白色；2=浅黄色；3=黄色；4=黄棕色）、茎横纹数、茎杆最大直径、分枝情况（0=否；1=是）、茎膨大情况（0=否；1=是）、茎膨大距离节的长度、茎纵纹数，获取与沙参对照药材的相似度，将表观性状的特征和与沙参对照药材的相似度作为神经网络的输入；
S13.获取神经网络的输出结果，得到南沙参的分类结果，所述分类结果为轮叶沙参或沙参。所述神经网络包括输入层、隐含层和输出层，所述输入层接收表观性状特征和与沙参对照药材的相似度作为神经网络的输入；所述输出层包括南沙参基原的属性值；所述隐含层的激活函数为双曲正切函数。所述与沙参对照药材的相似度通过指纹图谱的方式的获取；所述指纹图谱的色谱条件为：色谱柱：Waters HSS T3（2.1mm×100mm，1.8μm)；进样量：0.5μl；柱温：28℃；检测波长：220 nm；以乙腈为流动相A，0.05%磷酸溶液为流动相B，按梯度洗脱（0~5min，0%A，100%B；5~8min，0%→10%A，100→90%B；8~15min，10%→13%A，90→87%B；15~30，13%→60%A，87%→40%B）；流速：0.3~0.4ml/min。所述指纹图谱的构建过程中，参照品的获取方式为：取沙参药材0.5g，加入30ml的30%的甲醇，超声提取10min，所述超声的功率为200W，所述超声的频率为30kHz，超声后用30%的甲醇补足失去的的重量，混合均匀，过滤，取一定量的滤液作为进样。
实施例5
一种基于神经网络的南沙参药材的检测方法，包括：
S101.获取一定数量的南沙参的表观性状、与沙参对照药材的相似度、沙参的类别作为样品集；
S102.提取表观性状的特征，所述特征包括茎杆颜色、茎横纹数、茎杆最大直径、分枝情况、茎膨大情况、茎膨大距离节的长度、茎纵纹数，将表观性状的特征和与沙参对照药材的相似度输入神经网络，以训练神经网络获取到用于检测南沙参类别的神经网络；
S11.获取待测南沙参药材的表观性状，建立南沙参药材的UPLC指纹图谱；
S12.提取表观性状的特征，所述特征包括茎杆颜色（1=黄白色；2=浅黄色；3=黄色；4=黄棕色）、茎横纹数、茎杆最大直径、分枝情况（0=否；1=是）、茎膨大情况（0=否；1=是）、茎膨大距离节的长度、茎纵纹数，获取与沙参对照药材的相似度，将表观性状的特征和与沙参对照药材的相似度作为神经网络的输入之一；
S13.获取神经网络的输出结果，得到南沙参的分类结果，所述分类结果为轮叶沙参或沙参。所述神经网络包括输入层、隐含层和输出层，所述输入层接收表观性状特征和与沙参对照药材的相似度作为神经网络的输入；所述输出层包括南沙参基原的属性值；所述隐含层的激活函数为双曲正切函数。所述与沙参对照药材的相似度通过指纹图谱的方式的获取；所述指纹图谱的色谱条件为：色谱柱：Waters HSS T3（2.1mm×100mm，1.8μm)；进样量：2μl；柱温：32℃；检测波长：220 nm；以乙腈为流动相A，0.05%磷酸溶液为流动相B，按梯度洗脱（0~5min，0%A，100%B；5~8min，0%→10%A，100→90%B；8~15min，10%→13%A，90→87%B；15~30，13%→60%A，87%→40%B）；流速：0.4ml/min。所述指纹图谱的构建过程中，进样的获取方式为：取沙参药材2g，加入100ml的60%的甲醇，超声提取60min，所述超声的功率为400W，所述超声的频率为60kHz，超声后用60%的甲醇补足失去的的重量，混合均匀，过滤，取一定量的滤液作为进样。对样品进行处理后得到进样品，可以提高相似度的精度。
对比例1
一种基于神经网络的南沙参药材的检测方法，包括：
与沙参对照药材的相似度通过指纹图谱的方式的获取；所述指纹图谱的色谱条件为：色谱柱：Waters HSS T3（2.1mm×100mm，1.8μm)；进样量：2μl；柱温：30℃；检测波长：220nm；以乙腈为流动相A，0.05%磷酸溶液为流动相B，按梯度洗脱（0~5min，0%A，100%B；5~8min，0%→10%A，100→90%B；8~15min，10%→13%A，90→87%B；15~30，13%→60%A，87%→40%B）；流速：0.35ml/min。所述指纹图谱的构建过程中，参照品的获取方式为：取沙参药材1g，加入50ml的50%的甲醇，称重，超声提取30min，所述超声的功率为300W，所述超声的频率为50kHz，超声后用甲醇补足失去的的重量，混合均匀，过滤，取1μl的滤液作为进样。所述指纹图谱的构建过程中，待测品的进样的获取方式为：取待测沙参药材1g，加入50ml的50%的甲醇，称重，超声提取30min，所述超声的功率为300W，所述超声的频率为40kHz，超声后用甲醇补足失去的的重量，混合均匀，过滤，取1μl的滤液作为进样。
即仅采用指纹图谱的方式进行鉴别。
对比例2
一种基于神经网络的南沙参药材的检测方法，包括：
根据人工根据药材的外观结合与沙参对照药材的相似度进行鉴别。
与沙参对照药材的相似度通过指纹图谱的方式的获取；所述指纹图谱的色谱条件为：色谱柱：Waters HSS T3（2.1mm×100mm，1.8μm)；进样量：2μl；柱温：30℃；检测波长：220nm；以乙腈为流动相A，0.05%磷酸溶液为流动相B，按梯度洗脱（0~5min，0%A，100%B；5~8min，0%→10%A，100→90%B；8~15min，10%→13%A，90→87%B；15~30，13%→60%A，87%→40%B）；流速：0.35ml/min。所述指纹图谱的构建过程中，参照品的获取方式为：取沙参药材1g，加入50ml的50%的甲醇，称重，超声提取30min，所述超声的功率为300W，所述超声的频率为50kHz，超声后用甲醇补足失去的的重量，混合均匀，过滤，取1μl的滤液作为进样。所述指纹图谱的构建过程中，待测品的进样的获取方式为：取待测沙参药材1g，加入50ml的50%的甲醇，称重，超声提取30min，所述超声的功率为300W，所述超声的频率为40kHz，超声后用甲醇补足失去的的重量，混合均匀，过滤，取1μl的滤液作为进样。
对比例3
一种基于神经网络的南沙参药材的检测方法，包括：
S101.获取一定数量的南沙参的表观性状、与沙参对照药材的相似度、沙参的类别作为样品集；
S102.提取表观性状的特征，所述特征包括茎杆颜色、茎横纹数、茎杆最大直径、分枝情况、茎膨大情况、茎膨大距离节的长度、茎纵纹数，将表观性状的特征，以训练神经网络获取到用于检测南沙参类别的神经网络；
S11.获取待测南沙参药材的表观性状；
S12.提取表观性状的特征，所述特征包括茎杆颜色（1=黄白色；2=浅黄色；3=黄色；4=黄棕色）、茎横纹数、茎杆最大直径、分枝情况（0=否；1=是）、茎膨大情况（0=否；1=是）、茎膨大距离节的长度、茎纵纹数，将表观性状的特征作为神经网络的输入；
S13.获取神经网络的输出结果，得到南沙参的分类结果，所述分类结果为轮叶沙参或沙参。所述神经网络包括输入层、隐含层和输出层，所述输入层接收表观性状特征和与沙参对照药材的相似度作为神经网络的输入；所述输出层包括南沙参基原的属性值；所述隐含层的激活函数为双曲正切函数。
即仅采用表观性状作为神经网络的输入。
实验例1
以实施例1中的模型的建立、训练为例探讨用神经网络分类南沙参的可行性。
1.1模型的输入、输出及隐含层神经元数目确定
本模型的输入层是基于南沙参药材的表观性状分析及指纹图谱测定结果，包括茎杆颜色（YS）、茎杆最大直径（ZJ）、是否有分枝（0/1）（FZ）、是否有茎膨大（0/1）（PD）、茎膨大距离节的长度（JJ）、茎横纹数（HW）、茎纵纹数（ZW）与沙参对照药材的相似度（SSXSD）共有 9个参数，即9个神经元。输出层是表示基原（JY）的属性值，即 2个神经元，输出值为0 (轮叶沙参)或1 (沙参)。隐含层以双曲正切为激活函数，层数确定为一层，因为大量实践证明具有一层隐含层的神经网络能够以任意精度来表示任意连续函数。隐含层神经元数目是根据经验公式Kolmogorov 定律得到的。
Figure 342388DEST_PATH_IMAGE002
1.2 模型的建立、测试和训练
输出神经元节点为三层拓扑结构，见图1。各层间的传递函数采用的是具有非线型特征函数。连接线的粗细代表绝对权重的大小，从图中可以看出茎杆颜色（YS）及茎横纹数（HW）对轮叶沙参（JS=0）的影响较大。本文通过SPSS分析软件以33个样本中的70%数据为训练样本，30%组数据作为检验样本( 见表2) ，然后对建立的模型进行网络训练。
Figure 525108DEST_PATH_IMAGE004
1.3. 模型的预测结果
对建立的南沙参预测模型进行了网络训练，经过迭代误差达到期望误差值 0.005，预测错误率为0.0%，网络训练完成，见表3，得到基原分类预测参数估计见表4，结果见表5，基原预测模型见图2，ROC（Receiver Operating Characteristic）曲线见图3。
Figure 632741DEST_PATH_IMAGE006
Figure DEST_PATH_IMAGE010
从图2可知，以预测拟概率为0.5来看，在沙参或轮叶沙参中两者预测值均在1.0左右，说明该模型能对两种基原达到有效区分。
从图3可知，该曲线下轮叶沙参与沙参的范围均为1，说明该模型分类效果良好。
从图4的累计增益图可以看出，累计增益从个案比例为0%开始就明显高于基线（斜45度直线），在某一点后逐渐接近基线，最终重叠，表明该模型效果较好。
实验例2
比较实施例1~3中的方法的用时，同时以指纹图谱的方法鉴别10组南沙参的用时（对比例1）。
Figure DEST_PATH_IMAGE012
从表6可知，应用神经网络的方法可以提高检测速度。应当注意，实施例1~3和对比例1中的时间不包括预处理和获取指纹图谱的时间。对比例1中的用时是获取指纹图谱后进行比对的用时。对比例2中的用时更高，但是人眼对外观的鉴别，尤其是多种外观结合进行鉴别是由一定的缺陷的，误差较大。对比例3仅采用表观性状的特征作为神经网络的输入，正确率较低。
从对比例1~3中可以看出，仅通过指纹图谱或表观性状的鉴别的效率或者正确率较低。
同时采用指纹图谱的方式是无法鉴别不同的基原的，沙参和轮叶沙参具有不同的基原，必须结合一定的外观特征才能加以鉴别；为了鉴别具有不同基原的轮叶沙参和沙参，采用人工智能的方式结合不同表观性状特征和指纹图谱的特征（相似度）来鉴别可以大幅的提高鉴别的效率。
上列详细说明是针对本发明可行实施例的具体说明，以上实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本案的专利范围中。

Claims (10)

1.一种基于神经网络的南沙参药材的检测方法，其特征在于，包括：
S11.获取待测南沙参药材的表观性状，建立南沙参药材的UPLC指纹图谱；
S12.提取表观性状的特征，将表观性状的特征进行标准化，并获取与沙参对照药材指纹图谱的相似度，各指标均作为神经网络的输入层；
S13.获取神经网络的输出结果，得到南沙参药材的分类结果，所述分类结果为轮叶沙参或沙参。
2.根据权利要求1所述的一种基于神经网络的南沙参药材的检测方法，其特征在于，所述神经网络为多层感知器神经网络；所述神经网络包括输入层、隐含层和输出层，所述输入层接收表观性状特征作为神经网络的输入之一；所述输出层包括南沙参药材基原的属性值；所述隐含层的激活函数为双曲正切函数；所述神经网络各层之间采用的传递函数为具有非线性特征的函数。
3.根据权利要求1所述的一种基于神经网络的南沙参药材的检测方法，其特征在于，所述S12步骤中，提取的表观性状的特征包括茎杆颜色、茎横纹数、茎杆最大直径、分枝情况、茎膨大情况、茎膨大距离节的长度、茎纵纹数的其中一种或几种。
4.根据权利要求1所述的一种基于神经网络的南沙参药材的检测方法，其特征在于，所述S12步骤中，提取的表观性状的特征为茎杆颜色、茎横纹数、茎杆最大直径、分枝情况、茎膨大情况、茎膨大距离节的长度、茎纵纹数的标准化值。
5.根据权利要求1所述的一种基于神经网络的南沙参药材的检测方法，其特征在于，所述神经网络的输入还包括与沙参对照药材的相似度。
6.根据权利要求1所述的一种基于神经网络的南沙参药材的检测方法，其特征在于，所述与沙参对照药材的相似度通过指纹图谱的方式的获取；所述指纹图谱的色谱条件为：色谱柱：Waters HSS T3（2.1mm×100mm，1.8μm)；进样量：0.5~2μl；柱温：28~32℃；检测波长：220 nm；以乙腈为流动相A，0.05%磷酸溶液为流动相B，按梯度洗脱（0~5min，0%A，100%B；5~8min，0%→10%A，100→90%B；8~15min，10%→13%A，90→87%B；15~30，13%→60%A，87%→40%B）；流速：0.3~0.4ml/min。
7.根据权利要求1所述的一种基于神经网络的南沙参药材的检测方法，其特征在于，所述与沙参对照药材的相似度通过指纹图谱的方式的获取；所述指纹图谱的色谱条件为：色谱柱：Waters HSS T3（2.1mm×100mm，1.8μm)；进样量：1μl；柱温：30℃；检测波长：220 nm；以乙腈为流动相A，0.05%磷酸溶液为流动相B，按梯度洗脱（0~5min，0%A，100%B；5~8min，0%→10%A，100→90%B；8~15min，10%→13%A，90→87%B；15~30，13%→60%A，87%→40%B）；流速：0.35ml/min。
8.根据权利要求1所述的一种基于神经网络的南沙参药材的检测方法，其特征在于，所述指纹图谱的构建过程中，进样的获取方式为：取沙参药材0~2g，加入30~100ml的30~60%的甲醇，超声提取10~60min，所述超声的功率为200~400W，所述超声的频率为30~60kHz，超声后用30~60%的甲醇补足失去的的重量，混合均匀，过滤，取一定量的滤液作为进样。
9.根据权利要求1所述的一种基于神经网络的南沙参药材的检测方法，其特征在于，所述指纹图谱的构建过程中，进样的获取方式为：取沙参药材1g，加入50ml的50%的甲醇，超声提取30min，所述超声的功率为300W，所述超声的频率为50kHz，超声后用50%甲醇补足失去的的重量，混合均匀，过滤，取一定量的滤液作为进样。
10.根据权利要求1所述的一种基于神经网络的南沙参药材的检测方法，其特征在于，所述茎杆颜色包括黄白色、浅黄色、黄色、黄棕色；所述分枝情况为是否分枝；所述茎膨大情况为是否膨大。
CN201910834109.8A 2019-09-04 2019-09-04 基于神经网络的南沙参药材检测方法 Active CN110749665B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910834109.8A CN110749665B (zh) 2019-09-04 2019-09-04 基于神经网络的南沙参药材检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910834109.8A CN110749665B (zh) 2019-09-04 2019-09-04 基于神经网络的南沙参药材检测方法

Publications (2)

Publication Number Publication Date
CN110749665A true CN110749665A (zh) 2020-02-04
CN110749665B CN110749665B (zh) 2022-07-29

Family

ID=69276158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910834109.8A Active CN110749665B (zh) 2019-09-04 2019-09-04 基于神经网络的南沙参药材检测方法

Country Status (1)

Country Link
CN (1) CN110749665B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050065732A1 (en) * 2001-10-26 2005-03-24 Robert Tilton Matrix methods for quantitatively analyzing and assessing the properties of botanical samples
CN101961359A (zh) * 2010-10-25 2011-02-02 赤峰天奇制药有限责任公司 北沙参的炮制工艺及饮片的质量控制方法
CN107677647A (zh) * 2017-09-25 2018-02-09 重庆邮电大学 基于主成分分析和bp神经网络的中药材产地鉴别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050065732A1 (en) * 2001-10-26 2005-03-24 Robert Tilton Matrix methods for quantitatively analyzing and assessing the properties of botanical samples
CN101961359A (zh) * 2010-10-25 2011-02-02 赤峰天奇制药有限责任公司 北沙参的炮制工艺及饮片的质量控制方法
CN107677647A (zh) * 2017-09-25 2018-02-09 重庆邮电大学 基于主成分分析和bp神经网络的中药材产地鉴别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SHUN YAO 等: "Preparative isolation and purification of chemical constituents from the root of Adenophora tetraphlla by high-speed counter-current chromatography with evaporative light scattering detection", 《JOURNAL OF CHROMATOGRAPHY A》 *
赵玉丛 等: "基于HPLC指纹图谱和人工神经网络的山茱萸鉴别方法研究", 《黑龙江畜牧兽医》 *
郑旭光 等: "河北道地药材北沙参HPLC-PDA指纹图谱研究", 《药物分析杂志》 *
魏航 等: "神经网络技术在化橘红两品种识别中的应用", 《广州中医药大学学报》 *

Also Published As

Publication number Publication date
CN110749665B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN107677647B (zh) 基于主成分分析和bp神经网络的中药材产地鉴别方法
CN105877766B (zh) 一种基于多生理信号融合的精神状态检测系统及方法
CN109497990B (zh) 一种基于典型相关分析的心电信号身份识别方法及系统
Safdar et al. Intelligent microscopic approach for identification and recognition of citrus deformities
WO2023197825A1 (zh) 多癌种早筛模型构建方法以及检测装置
CN109887600A (zh) 一种对非小细胞肺癌预后生存情况的分析方法
CN106778851B (zh) 基于手机取证数据的社交关系预测系统及其方法
CN104062262A (zh) 一种基于近红外光谱的作物种子品种真实性鉴别方法
Mengistu et al. An automatic coffee plant diseases identification using hybrid approaches of image processing and decision tree
CN107993444A (zh) 基于卡口过车大数据分析的嫌疑车认定方法
Yu et al. A recognition method of soybean leaf diseases based on an improved deep learning model
Chen et al. Serum Raman spectroscopy combined with a multi-feature fusion convolutional neural network diagnosing thyroid dysfunction
CN112560896A (zh) 一种基于图像处理的水果品质筛选分类系统
CN111986814A (zh) 一种红斑狼疮患者的狼疮性肾炎预测模型的建模方法
Song et al. Red blood cell classification based on attention residual feature pyramid network
CN110749665B (zh) 基于神经网络的南沙参药材检测方法
CN106339701A (zh) 一种人脸图像识别方法及系统
Bilang et al. Cactaceae detection using MobileNet architecture
CN105006231A (zh) 基于模糊聚类决策树的分布式大型人口语者识别方法
CN112370058A (zh) 一种基于移动端对用户的情感进行识别与监测方法
Khammari et al. Enhancing kinship verification through multiscale retinex and combined deep-shallow features
Lin et al. Looking from shallow to deep: Hierarchical complementary networks for large scale pest identification
Zhao et al. Pornographic image recognition in compressed domain based on multi-cost sensitive decision tree
Yuliastuti et al. Compact computer vision system for tropical wood species recognition based on pores and concentric curve
CN104915682A (zh) 一种豆科种子识别系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant